« Jusqu’à 49 fois moins cher qu’un modèle frontier, et plus précis que lui. » La phrase est dans un billet publié ce mardi sur le blog machine learning d’AWS, et elle est vraie dans le périmètre où elle est énoncée. Ce périmètre est étroit comme une porte de placard.
De quoi on parle : Exowatt, une boîte qui fabrique des centrales solaires modulaires pour alimenter des data centers, et qui a fine-tuné deux petits Qwen3 pour trier les alarmes de ses sites. AWS vend le service, le client témoigne, tout le monde est content. Vous avez déjà lu ce communiqué, vous ne le savez pas encore.
Le produit est plus intéressant que le modèle
Le P3 d’Exowatt capte le soleil avec des lentilles optiques, stocke la chaleur dans une batterie thermique longue durée, puis restitue de l’électricité à la demande via un moteur thermique. Rien de fou jusque-là. Le détail qui compte, c’est le branchement : le P3 alimente les data centers derrière le compteur, sans passer par la file d’attente d’interconnexion au réseau, celle qui se compte en années. Je vous en parlais la semaine dernière à propos du Texas et de ses 474 GW de demandes de raccordement. Exowatt vend précisément le contournement de cette file.
Sauf que la boîte passe de quelques bancs de test à des milliers d’unités sur le terrain, et que chaque site crache des alarmes en continu : un composant hors spec, une connexion perdue, une tension en dehors de la plage. Personne ne peut surveiller ça à la main. D’où la flotte d’agents censés lire l’état des alarmes et choisir la bonne action, souvent en bout de chaîne, avec peu ou pas de réseau.
Ce qu’ils ont fait, concrètement
Deux modèles ouverts, deux cibles. Le Qwen3-1.7B pour le triage d’alarmes en périphérie : figé, quantifié en GGUF, servi avec llama.cpp dans des pods Kubernetes sur les contrôleurs des sites. Pas de GPU, pas d’internet. Le Qwen3-14B pour l’analyse de marché de l’énergie côté cloud, servi via Bedrock Custom Model Import, qui ne facture que quand le modèle tourne.
L’entraînement passe par le service d’adaptation de modèles serverless de SageMaker AI, en LoRA et SFT. L’argument d’AWS est là, et il est solide : avant, il fallait choisir un modèle, construire un conteneur, écrire une recette, puis réserver un type d’instance GPU et attendre que la capacité se libère. Chaque expérience était un événement planifié. Avec l’allocation à la demande, Exowatt en lance plusieurs par jour. Le vrai livrable, de l’aveu même du billet, ce n’est pas les deux modèles mais la chaîne qui va des données brutes à un artefact évalué, exécutable en jours au lieu de mois.
Trois trous dans le chiffre
Premier trou : les « frontier models » n’ont pas de nom. Pas un seul. Aucune taille d’échantillon, aucun protocole d’évaluation, aucune tâche de référence. On a une affirmation de précision sur une tâche dont Exowatt a lui-même défini la nomenclature et les réponses attendues. Qu’un modèle de 1,7 milliard de paramètres, affiné sur cette nomenclature, batte un modèle généraliste qui ne l’a jamais vue, ce n’est pas une surprise. C’est le résultat normal. La comparaison mesure qui a lu le manuel, pas qui est le plus intelligent.
Deuxième trou : le 49× est un rapport de coût, pas de précision. Et un « jusqu’à » devant un multiple, ça veut dire que le multiple bouge. Coût de quoi contre quoi, sur quelle durée, en incluant ou non la certification des données et les humains qui valident les réponses ? Absent.
Troisième trou, le plus amusant : les données d’entraînement. Chaque réponse du jeu d’entraînement a été réécrite trois fois pour la paraphrase, côté alarmes par Qwen3-VL-235B sur Bedrock, côté marché de l’énergie par Claude Sonnet 4.6. Le petit modèle n’a pas appris tout seul dans son coin : il a potassé des variantes rédigées par des modèles bien plus gros que lui. Ce n’est pas David contre Goliath, c’est David avec les fiches de révision de Goliath.
Ce qui reste debout
Le pipeline, justement. Une petite équipe qui transforme son savoir-faire opérationnel en classifieur de 1,7 milliard de paramètres, qui le fait tourner hors ligne sur un contrôleur sans GPU, et qui garde un 14B dans le cloud pour la partie analytique : c’est exactement le genre d’IA qu’on devrait voir plus souvent, discrète, locale, taillée pour un boulot. AWS a raison de le vendre. C’est juste que ça ne fait pas un chiffre à mettre en titre.
Un modèle de 1,7 milliard de paramètres ne bat pas les frontier models. Il fait un métier qu’aucun d’eux n’a appris, sans réseau, sans GPU, sur un site solaire au milieu de nulle part. Toute la nuance tient dans cette phrase, et c’est précisément celle que le 49 efface.
Sources :
Comments are closed